Ontwikkeling van een softwaretool, met behulp van kunstmatige intelligentie, die klinische, biologische, genetische en beeldvormingsgegevens integreert om de diagnose en het resultaat van depressieve patiënten te voorspellen om de prognose te verbeteren en de kosten voor gezondheidszorg te beperken.

Op basis van robuust bewijs uit de literatuur veronderstellen de onderzoekers de aanwezigheid van ziektespecifieke neurobiologische onderbouwingen voor bipolaire en unipolaire stoornissen, die kunnen dienen als biomarkers voor differentiële diagnose. De groepsvergelijkingsbenaderingen die in psychiatrisch onderzoek worden toegepast, slagen er echter niet in de opkomende kennis te vertalen naar de diagnostische routine.

Hoe kunnen artsen differentiële diagnose en behandelingsrespons voorspellen door gebruik te maken van de allernieuwste kennis die in het afgelopen decennium is verkregen? Hoe kan zo'n uitgebreide kennis nuttig en toepasbaar zijn in de klinische praktijk? Met dit project stellen de onderzoekers een oplossing voor deze uitdagingen voor door een softwaretool te ontwikkelen die de beschikbare klinische, biologische, genetische en beeldvormingsgegevens integreert om de diagnose en het resultaat van nieuwe individuele patiënten te voorspellen.

Het beslissingsondersteunende platform zal gebruik maken van kunstmatige intelligentie, met name machine learning-technieken, die door middel van gegevens zullen worden "getraind" om te voorspellen tot welke categorie een nieuwe waarneming behoort. Hierdoor zullen bestaande en nieuw verworven multimodale datasets van bipolaire en unipolaire patiënten worden vertaald naar voorspellers voor gepersonaliseerde patiëntdiagnose en -prognose.

Het project kan een grote impact hebben op de psychiatrische gemeenschap en het gezondheidszorgsysteem. Het identificeren van voorspellende biomarkers voor UD en BD zal een essentieel hulpmiddel zijn in de vroege stadia van de ziekte, waardoor een nauwkeurige diagnose wordt gesteld, de prognose wordt verbeterd en de kosten voor gezondheidszorg worden beperkt.

De onderzoekers zullen 80 bipolaire patiënten, 80 unipolaire patiënten en 80 gezonde controles werven voor de MRI-studie. Van alle proefpersonen zullen klinische, genetische en ontstekingsgegevens worden verkregen.

De volgende gegevens worden verkregen: leeftijd, geslacht, aantal episodes, recidief, aanvangsleeftijd van de ziekte, levenslange psychose, vertrouwdheid met BD of UD, zelfmoordpogingen, medicatie, scores bij HDRS, Beck Depression Inventory en BACS-batterij.

MRI zal worden uitgevoerd op 3.0 Tesla-scanners. MRI-acquisities omvatten SE EPI DTI, T1-gewogen 3D MPRAGE- en fMRI-sequenties tijdens rusttoestand en een face-matching-paradigma, waarmee voorheen de connectiviteit bij stemmingsstoornissen kon worden gedefinieerd.

Bloedmonsters worden verzameld en plasma wordt geëxtraheerd en opgeslagen bij -80. Pro- en anti-inflammatoire cytokines zullen worden gemeten met behulp van de Bioplex humane cytokines 27-plex.

Genetische varianten die worden overwogen voor differentiële diagnose zullen worden geëvalueerd met behulp van de Infinium PsychArray-24 BeadChip. Deze kosteneffectieve microarray met hoge dichtheid is ontwikkeld in samenwerking met het Psychiatric Genomics Consortium voor grootschalige genetische studies gericht op psychiatrische aanleg en risico's.

De relevantie van de afzonderlijke klinische, genetische, moleculaire en op beelden gebaseerde kenmerken als kenmerken van bipolaire en unipolaire stoornissen zal worden geëvalueerd aan de hand van de allernieuwste literatuur en geschat op een onafhankelijke, reeds bestaande dataset (30 proefpersonen per groep). Algemene lineaire modelanalyses gevolgd door tweezijdige t-testen zullen worden gebruikt om te bepalen of elke parameter significant verschilt tussen groepen, terwijl de bijdrage van leeftijd, geslacht, ziekteduur en andere verstorende factoren wordt verwijderd.

Een MKL-algoritme (multiple kernel learning) projecteert de multisource-functies naar een hoger-dimensionale ruimte waar de drie onderwerpgroepen maximaal gescheiden zijn. De geselecteerde functies zullen zowel afzonderlijk als in combinatie worden gebruikt. Tijdens de trainingsfase van het algoritme worden de hinderlijke effecten van leeftijd, geslacht, ziekteduur en MRI-systeem gecorrigeerd. De MKL-classificator zal worden getest met behulp van een k-voudige geneste kruisvalidatiestrategie met hyperparameterafstemming. De trainingsdataset is al beschikbaar en bevat ongeveer 550 onderwerpen.

De software-architectuur zal worden ontworpen in een Matlab-omgeving door kwantitatieve beeldvormingsmethoden, machine learning-algoritmen en statistische analyses te integreren als afzonderlijke modules in een gebruiksvriendelijke interface, die het delen van computerbronnen in de klinische gemeenschap zal vergemakkelijken.